Saltar al contenido

Traducción automática — la versión en portugués es la referencia. Ver en portugués

Actualizado el 2026-10-04

Conceptos de modelado dimensional

Hechos, dimensiones, granularidad, modelo estrella y tipos de columna — el vocabulario de modelado de ingestia.bi.

En esta página (9)

Esta es una página conceptual: explica el vocabulario que vas a encontrar en el modelo semántico — hechos, dimensiones, granularidad, modelo estrella y tipos de columna. Si ya conoces estos términos de Power BI, vas a reconocerlo todo; la diferencia es que aquí el modelado se resuelve en SQL del datalake (no hay un motor en memoria tipo VertiPaq).

Los ejemplos usan el workspace sintético Comércio Aurora Ltda (workspace aurora, datasets prd_aurora_bronze / prd_aurora_silver / prd_aurora_gold), con las tablas vendas (hecho), produtos, clientes, filiais y calendario (dimensiones).


Por qué modelar (y no solo "unir tablas")#

Sin un modelo, cada gráfico repite la misma decisión de negocio de una manera diferente: uno suma valor, otro suma valor_liquido, un tercero olvida excluir las devoluciones. El resultado es el clásico "cada informe con un número de ingresos diferente".

Modelar es decidir una vez cómo se vinculan las tablas y qué significan los números, para que todos los visuales hablen el mismo idioma. Es la base del modelo semántico y de las medidas centrales.


Hecho × dimensión#

Todo modelo dimensional separa dos roles de tabla:

RolQué guardaEn el ejemplo Aurora
HechoLos eventos medibles del negocio — una fila por ocurrencia, con números que se suman.vendas (una fila por ítem vendido: valor, quantidade, custo).
DimensiónEl contexto que describe los eventos — quién, qué, dónde, cuándo.produtos, clientes, filiais, calendario.

Regla práctica: si sumas o cuentas, es hecho; si agrupas o filtras por, es dimensión. "Ingresos por categoría por mes": los ingresos son una medida del hecho vendas; la categoría viene de la dimensión produtos; el mes viene de la dimensión calendario.


Granularidad (grano)#

El grano es lo que representa una fila del hecho. En vendas, el grano es "un ítem de un pedido". Definir el grano es la decisión más importante del modelo, porque:

  • Toda medida del hecho se suma en ese grano. Sumar valor da los ingresos totales porque cada fila es un ítem.
  • Mezclar granos infla los números. Si unes vendas (grano ítem) con una tabla de metas (grano sucursal/mes), sumar la meta sobre el join la contaría varias veces. ingestia.bi detecta esa explosión de filas (fan-out) y rechaza la agregación en lugar de entregar un total inflado — consulta Relaciones y cardinalidad.

Nota

Mantén un grano por hecho. Si necesitas números en granos diferentes (ítems y metas mensuales), usa dos hechos vinculados a las mismas dimensiones, no un join forzado.


Modelo estrella × copo de nieve#

  • Estrella (recomendado): un hecho en el centro, rodeado de dimensiones, cada dimensión vinculada directamente al hecho. Es simple, fácil de entender y es lo que el generador de SQL resuelve mejor.
  • Copo de nieve: dimensiones normalizadas en subtablas (p. ej., produtos → categorias → departamentos). Funciona, pero cada salto extra es un join más. Prefiere aplanar la dimensión (traer categoria y departamento dentro de produtos) cuando puedas.

En el ejemplo Aurora, el diseño en estrella es:

código
        calendario
            |
clientes — vendas — produtos
            |
         filiais

El paso a paso del armado está en el tutorial Modelo estrella.


Claves y relaciones#

Una dimensión se vincula al hecho por una clave: una columna del hecho apunta a la columna identificadora de la dimensión.

  • vendas.produto_id → produtos.id
  • vendas.cliente_id → clientes.id
  • vendas.filial_id → filiais.id
  • vendas.data → calendario.data

Cada relación tiene cardinalidad (1-1, 1-N, N-1, N-N) y dirección de filtro. Estos conceptos tienen un efecto real en el número final — lee Relaciones y cardinalidad.


Tipos de columna#

El catálogo clasifica cada columna, y eso orienta los visuales, el formato y lo que la IA puede ver:

  • Numérica — suma, promedio, conteo; base de las medidas del hecho.
  • Texto / categórica — se convierte en eje, leyenda y filtro (produtos.categoria).
  • Fecha / hora — se vincula a la dimensión calendario y habilita comparaciones temporales.
  • Categoría de dato geográfica — marcar filiais.uf como UF alimenta los mapas de Brasil.
  • PII (dato personal) — las columnas marcadas como PII se enmascaran en la vista segura y nunca salen hacia la IA (consulta Seguridad por fila (RLS) y las páginas de IA).

Además de las columnas de origen, creas columnas calculadas (derivadas fila por fila, p. ej., margem = valor - custo) y medidas (agregaciones reutilizables, p. ej., Receita = SOMA(valor)). La diferencia entre calcular por fila y agregar en el contexto es el tema de Contexto de fila y de filtro.


Cuándo NO preocuparse por el modelado#

  • Una sola tabla, sin cruces: un único hecho aplanado (planilla ancha) ya responde la mayoría de los gráficos simples — modela relaciones solo cuando cruces tablas.
  • Exploración descartable: para una pregunta puntual, el asistente de text-to-SQL lo resuelve sin exigir un modelo.

Límites y salvedades#

  • No hay motor columnar en memoria (VertiPaq); las relaciones se convierten en joins en el SQL y el join físico siempre es hecho → dimensión.
  • N-N exige una tabla puente explícita; sin puente, la relación se trata como ambigua y se rechaza.
  • La latencia, el costo y el volumen de cada consulta dependen del tamaño de sus tablas en el datalake.

Relacionados#


Última revisión: 2026-09-08.

Enlaces relacionados